关联规则挖掘——Apriori算法及其实现（Python版本）

关联规则挖掘——Apriori及其优化

• 关联规则发现
  • • 基础概述
    • 探究领域

  • Apriori方法

  • • 理论阐述
    • 程序实现
    • • 手动构建Apriori（极度简化版）
      • 应用Apyori库中的Apriori技术

  • FP-Growth方法

关联规则挖掘

基本介绍

关联规则这一概念最初由Agrawal等人在其1993年发表的论文 Miniing association rules between sets of items in large databases 中首次提出。关联规则挖掘，亦称关联分析，主要目的是揭示大型数据集中所隐藏的各类联系与规律。随着数据行业持续快速发展，当前所处理的数据体量不断攀升，人们对从中提取潜在关联信息的兴趣也日益增强。

研究方向

从当前研究进展来看，关联规则挖掘领域主要聚焦于以下几个方向：

1. 经典方法——Apriori算法

2. 串行算法
   · Park等人开发了一种利用哈希技术生成频繁项集的算法
   · 基于数据划分的算法
   · Toivonen提出了一种基于采样理念的关联规则挖掘技术
   · Han等人设计出无需生成候选集的FP-Growth算法

3. **并行分布式